COCO-Seg Veri Kümesi

COCO-Seg veri seti, COCO'nun (Bağlamdaki Ortak Nesneler) bir uzantısı olup, nesne örnek segmentasyonu alanındaki araştırmaları desteklemek için özel olarak tasarlanmıştır. COCO ile aynı görüntüleri kullanır, ancak daha ayrıntılı segmentasyon açıklamaları sunar. Bu veri seti, özellikle Ultralytics YOLO modellerini eğitmek için örnek segmentasyonu görevleri üzerinde çalışan araştırmacılar ve geliştiriciler için çok önemli bir kaynaktır.

COCO-Seg Önceden Eğitilmiş Modeller

Temel Özellikler

• COCO-Seg, COCO'dan orijinal 330 bin görüntüyü korur.
• Veri kümesi, orijinal COCO veri kümesinde bulunan aynı 80 nesne kategorisinden oluşur.
• Açıklamalar artık görüntülerdeki her nesne için daha ayrıntılı örnek segmentasyon maskeleri içermektedir.
• COCO-Seg, nesne tespiti için ortalama Kesinlik (mAP) ve örnek segmentasyon görevleri için ortalama Geri Çağırma (mAR) gibi standartlaştırılmış değerlendirme metrikleri sağlayarak model performansının etkili bir şekilde karşılaştırılmasını sağlar.

Veri Seti Yapısı

COCO-Seg veri kümesi üç alt kümeye ayrılmıştır:

1. Train2017: örnek segmentasyon modellerini eğitmek için 118 bin resim.
2. Val2017: Model geliştirme sırasında doğrulama için kullanılan 5 bin görüntü.
3. Test2017: Kıyaslama için kullanılan 20 bin resim. Bu alt küme için temel doğruluk açıklamaları herkese açık değildir, bu nedenle puanlama için tahminler COCO değerlendirme sunucusuna gönderilmelidir.

Uygulamalar

COCO-Seg, YOLO modelleri gibi örnek segmentasyonunda derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Çok sayıda açıklama eklenmiş görüntü, nesne kategorilerinin çeşitliliği ve standartlaştırılmış değerlendirme metrikleri, onu bilgisayar görüşü araştırmacıları ve uygulayıcıları için vazgeçilmez bir kaynak haline getirmektedir.

Veri Seti YAML

Bir YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. COCO-Seg veri kümesi örneğinde, coco.yaml dosyası şu adreste tutulur: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.1 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)
  # Download data
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
      "http://images.cocodataset.org/zips/test2017.zip",  # 7G, 41k images (optional)
  ]
  download(urls, dir=dir / "images", threads=3)

Kullanım

640 görüntü boyutuyla, COCO-Seg veri kümesi üzerinde bir YOLO11n-seg modelini 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Örnek Görüntüler ve Açıklamalar

COCO-Seg, selefi COCO gibi, çeşitli nesne kategorileri ve karmaşık sahneler içeren çeşitli görüntüler içerir. Ancak COCO-Seg, görüntülerdeki her nesne için daha ayrıntılı örnek segmentasyon maskeleri sunar. İşte veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen örnek segmentasyon maskeleri:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, her eğitim grubundaki nesnelerin ve sahnelerin çeşitliliğini artırmak için birden çok görüntüyü tek bir görüntüde birleştirmek için eğitim sırasında kullanılan bir tekniktir. Bu, modelin farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleme yeteneğine yardımcı olur.

Bu örnek, COCO-Seg veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaiklemenin kullanımının faydalarını sergilemektedir.

Alıntılar ve Teşekkürler

Araştırma veya geliştirme çalışmalarınızda COCO-Seg veri kümesini kullanıyorsanız, lütfen orijinal COCO makalesine atıfta bulunun ve COCO-Seg'e yapılan genişletmeyi belirtin:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Bilgisayar görüşü topluluğu için bu paha biçilmez kaynağı oluşturduğu ve sürdürdüğü için COCO Konsorsiyumuna teşekkürlerimizi sunuyoruz. COCO veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret edin.

SSS

COCO-Seg veri seti nedir ve orijinal COCO veri setinden farkı nedir?

COCO-Seg veri kümesi, özellikle örnek segmentasyonu görevleri için tasarlanmış orijinal COCO (Bağlamdaki Ortak Nesneler) veri kümesinin bir uzantısıdır. COCO veri kümesiyle aynı görüntüleri kullanırken, COCO-Seg daha ayrıntılı segmentasyon ek açıklamaları içerir ve bu da onu nesne örneği segmentasyonuna odaklanan araştırmacılar ve geliştiriciler için güçlü bir kaynak haline getirir.

COCO-Seg veri kümesini kullanarak bir YOLO11 modeli nasıl eğitebilirim?

640 görüntü boyutuyla, COCO-Seg veri kümesi üzerinde bir YOLO11n-seg modelini 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların ayrıntılı bir listesi için model Eğitim sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

COCO-Seg veri kümesinin temel özellikleri nelerdir?

COCO-Seg veri seti çeşitli temel özellikler içerir:

• COCO veri setinden orijinal 330 bin görüntüyü korur.
• Orijinal COCO'da bulunan aynı 80 nesne kategorisini etiketler.
• Her nesne için daha ayrıntılı örnek segmentasyon maskeleri sağlar.
• Nesne algılama için ortalama Ortalama Hassasiyet (mAP) ve örnek bölümleme görevleri için ortalama Ortalama Geri Çağırma (mAR) gibi standartlaştırılmış değerlendirme metriklerini kullanır.

COCO-Seg için hangi önceden eğitilmiş modeller mevcuttur ve bunların performans metrikleri nelerdir?

COCO-Seg veri kümesi, çeşitli performans metriklerine sahip birden fazla önceden eğitilmiş YOLO11 segmentasyon modelini destekler. İşte mevcut modellerin ve temel metriklerinin bir özeti:

Bu modeller, hafif YOLO11n-seg'den daha güçlü YOLO11x-seg'e kadar değişir ve çeşitli uygulama gereksinimlerine uyacak şekilde hız ve doğruluk arasında farklı ödünleşimler sunar. Model seçimi hakkında daha fazla bilgi için Ultralytics modelleri sayfasını ziyaret edin.

COCO-Seg veri kümesi nasıl yapılandırılmıştır ve hangi alt kümeleri içerir?

COCO-Seg veri seti, belirli eğitim ve değerlendirme ihtiyaçları için üç alt bölüme ayrılmıştır:

1. Train2017: Özellikle örnek segmentasyonu modellerini eğitmek için kullanılan 118 bin görsel içerir.
2. Val2017: Eğitim sürecinde doğrulama için kullanılan 5 bin görüntüden oluşur.
3. Test2017: Eğitilmiş modelleri test etmek ve kıyaslamak için ayrılmış 20 bin resim içerir. Bu alt küme için temel doğruluk açıklamalarının herkese açık olmadığını ve performans sonuçlarının değerlendirme için COCO değerlendirme sunucusuna gönderildiğini unutmayın.

Daha küçük deneme ihtiyaçları için, COCO train 2017 setinden sadece 8 görüntü içeren kompakt bir sürüm olan COCO8-seg veri setini de kullanmayı düşünebilirsiniz.

📅 2 yıl önce oluşturuldu ✏️ 25 gün önce güncellendi

Yorumlar